La famosa fundadora Daphne Koller lo dice directamente: "Con la mayoría de los medicamentos, no entendemos por qué funcionan"

Daphne Koller no le importa el trabajo duro Se unió al departamento de ciencias de la computación de la Universidad de Stanford en 1995, donde pasó los siguientes 18 años a tiempo completo antes de cofundar al gigante de la educación en línea Coursera, donde pasó los siguientes cuatro años y fue copresidente hasta el mes pasado. Koller luego pasó un poco menos de dos años en el laboratorio de longevidad de Alphabet, Calico, como su primer director de computación.

Fue allí donde Koller recordó su pasión por aplicar el aprendizaje automático para mejorar la salud humana. También se le recordó lo que no le gusta, lo que es un esfuerzo inútil, algo que la industria de desarrollo de medicamentos, lento en comprender el poder de los métodos computacionales para analizar conjuntos de datos biológicos, ha estado plagado por años.

Para ser justos, esos métodos computacionales también han mejorado mucho más recientemente. No es de extrañar que el año pasado, Koller aprovechó la oportunidad para iniciar otra compañía, una compañía de desarrollo de medicamentos llamada Insitro que desde entonces ha recaudado $ 100 millones en fondos de la Serie A, incluidos GV, Andreessen Horowitz y Bezos Expeditions, entre otros. En particular, la compañía recientemente se asoció con Gilead Sciences para encontrar medicamentos para tratar una enfermedad hepática llamada esteatohepatitis no alcohólica (NASH) debido a todos los datos humanos relacionados que Gilead ha acumulado a lo largo del tiempo.

Más tarde, Insitro puede atacar epidemias aún más grandes, incluyendo tal vez la enfermedad de Alzheimer o la diabetes tipo 2. Ciertamente, tiene razones para sentirse optimista sobre lo que puede lograr. Como Koller le dijo a un grupo de asistentes absortos en un evento organizado por este editor hace unos días, "Estamos en un momento histórico en el que surgió una confluencia de tecnologías casi al mismo tiempo que permiten una gran cantidad de personas interesantes e interesantes. Conjuntos de datos relevantes para ser producidos en biología. En paralelo, vemos. . . "tecnologías de aprendizaje automático que son capaces de dar sentido a esos datos y aportar ideas novedosas que se espera que puedan curar enfermedades".

Todo esto suena a una conversación que hemos escuchado en los últimos años, pero desde Koller, uno tiene la sensación de que finalmente nos estamos acercando, a pesar de los misterios de la biología humana. A continuación, algunos extractos de la entrevista de Koller con la periodista Sarah McBride de Bloomberg. También puedes ver su conversación a continuación.

Sobre por qué Insitro se asoció con Gilead (más allá de eso, podría ser lucrativo, con hasta $ 1 mil millones en hitos adjuntos para el desarrollo exitoso de objetivos para NASH):

Existen categorías bastante amplias para las que nuestra tecnología es adecuada. Estamos realmente interesados ​​en crear lo que podríamos llamar modelos de enfermedad en un plato: lugares donde las enfermedades son complejas, donde realmente no hemos tenido un buen sistema de modelos, donde se utilizan los modelos animales típicos [for years, including testing on mice] simplemente no son muy efectivos, y crear esos modelos "in vitro" para generar grandes cantidades de datos que se pueden interpretar utilizando el aprendizaje automático.

Hay una gran cantidad de enfermedades que se prestan a este tipo de enfoque. NASH fue uno de ellos, así que en parte fue la idoneidad de nuestra tecnología para esta enfermedad, y en parte fue que Gilead fue realmente un buen socio, ya que tienen una gran cantidad de datos humanos de algunos de los ensayos clínicos que tienen estado corriendo [which give us] Acceso a dos fuentes de datos complementarias. Uno es lo que le sucede a la enfermedad en grandes grupos humanos, y otro es lo que sucede cuando se observa lo que la enfermedad hace in vitro, en el plato, y luego se ve si podemos usar lo que vemos en el plato utilizando el aprendizaje automático para predecir qué. Lo vemos en lo humano.

Sobre cómo Insitro ve los datos de manera diferente a las grandes compañías farmacéuticas:

Las compañías farmacéuticas dicen: 'Tenemos muchos datos'. Y usted dice: '¿Qué tipo de datos tiene?' Y resulta que tienen dribs y datos monótonos, cada uno almacenado en una hoja de cálculo separada en la computadora portátil de otra persona. Hay metadatos que ni siquiera se graban. Para ellos, es como, 'Sí, hice el experimento y obviamente grabé lo que tenía que hacer porque no tiene sentido tirarlo,' pero ellos no lo consideran como algo que construyes una empresa encima. de.

Venimos de una manera completamente diferente. Decimos: "Este es el problema que te gustaría resolver. Si solo tuviéramos un modelo que pudiera decirnos el resultado de este experimento sin tener que hacerlo, porque es costoso o complicado o incluso imposible [because it would involve perturbing a living human’s gene]. Bueno, el aprendizaje automático se ha vuelto realmente bueno en la construcción de modelos predictivos si le proporciona los datos correctos para entrenar el modelo. Por lo tanto, estamos en el negocio de construir datos con el único propósito de entrenar modelos de aprendizaje automático. Pensamos en [these models] Como pequeñas bolas de cristal que te permitirían evitar hacer. [these more expensive or complicated] experimentos

Sobre el impacto del programa de investigación "Todos nosotros" de los Institutos Nacionales de la Salud, que es un esfuerzo por recopilar datos de un millón o más de personas que viven en los EE. UU. Para acelerar la investigación y mejorar la salud, en parte al registrar las diferencias individuales en el estilo de vida y el medio ambiente. , y biología:

Yo diría, en todo caso, que los EE.UU. están un poco tarde para el juego en este caso. Ha habido una serie de cohortes nacionales que ya se han generado en diferentes países; los dos que están mejor desarrollados actualmente están en Islandia y en el Reino Unido, pero también hay uno en Finlandia y otro en Irlanda e incluso en Estonia, donde han tomado una gran población de ese país y han medido su genética, pero también han medido una gran cantidad de propiedades sobre esas personas, incluidos biomarcadores de sangre y biomarcadores de orina y aspectos de comportamiento y aspectos físicos e imágenes. Y entonces, lo que tiene ahora (en estos países) es un conjunto de datos que le dice: "La naturaleza perturbó este gen" y "Vemos este efecto en el ser humano".

[In the UK, specifically, where they started their program five years ago and recruited 500,000 volunteers who agreed to physical and cognitive and blood pressure testing and images of the brain and the abdomen, among other things] Es un conjunto de datos increíblemente rico. [from which] Los descubrimientos están llegando casi una vez a la semana.

… Esto es valioso, no solo para las terapias genéticas, sino también como una forma de identificar objetivos que realmente hacen una diferencia, porque la mayoría de los medicamentos que entran en los ensayos clínicos fallan. Y por más, me refiero al 95 por ciento. Y la mayoría de las drogas fallan porque apuntan a cosas equivocadas. Se dirigen a proteínas o genes que no afectan la enfermedad a la que se supone deben afectar. Los fracasos recientes y muy visibles de los ensayos de medicamentos contra el Alzheimer, en realidad varios de ellos seguidos, casi seguramente se debieron a que la proteína a la que se dirigían, llamada beta amiloide, no es el factor causal correcto en la enfermedad.

Sobre lo que los investigadores pueden hacer ahora con células madre que hubieran sido imposibles incluso hace unos años:

[There are now] herramientas que han permitido la creación no solo de grandes cantidades de datos, sino de grandes cantidades de datos biológicos relevantes. Así que solíamos hacer experimentos en líneas celulares de cáncer. . . pero no es un modelo muy relevante para la enfermedad. Hoy, podemos tomar una pequeña muestra de células de la piel y usar lo que se llama el factor de Yamanaka, para reprogramar esas células al estado de las células madre, que son las células que existen efectivamente en el útero. Y esas células son capaces de diferenciarse en células neurales o células hepáticas o células cardíacas, y son muy relevantes para la enfermedad porque representan la biología humana; Ahora puede tomar esas células de pacientes y de personas sanas y ver si hay diferencias en su apariencia.

Lectores, podríamos presentar más de la transcripción aquí, pero sugerimos ver la conversación con Koller. Si usa este texto como un punto de salto, querrá comenzar a escuchar alrededor de la marca de 13 minutos. Definitivamente vale la pena el tiempo para escuchar lo que ella tiene que decir, incluso sobre la fibrosis quística, la distrofia muscular espinal en los bebés, y por qué los "modelos de ratón" en los que hemos confiado durante un gran número de enfermedades aparentemente ubicuas "van desde las malas hasta las realmente, muy mal ". Espero que lo disfrutes.